【技术实现步骤摘要】
一种基于机器学习的软组织肉瘤等级判断方法
本专利技术属于医疗
,具体涉及一种基于机器学习的软组织肉瘤等级判断方法。
技术介绍
软组织肉瘤来源于脂肪、筋膜、肌肉、纤维、淋巴及血管,发病率约3/10万,其恶性程度高,可见于任何年龄段、任何部位,如果得不到及时诊断和治疗,不得不被迫截肢,已经成为人类健康的重要威胁。通过核磁共振MRI影像特征进行软组织肉瘤病变等级判断,是合理安排治疗方案的重要依据。然而根据核磁共振MRI影像特征实现软组织肉瘤等级判断,主要存在两方面问题:(1)肉瘤病变等级判断准确率,往往取决于诊断医生的能力和经验,能力越强、病例经验越多的医生,判断正确率越高,而这些医生往往只在北上广等大城市的一流医院工作,而小城市、小医院的医生无法准确判断肉瘤病变等级,也就无法合理安排治疗方案,延误病情;(2)核磁共振MRI影像可以提取出上千个维度的特征,如肉瘤直径、肉瘤图像局部纹理特征、灰度游程矩阵等,如何从这些特征中选取有限数量的特征,以便进行肉瘤等级的自动化判断,也是进行快速确诊的必要手段,然而现在还缺少有效手段实施。
技术实现思路
本专利技术提供了一种基于机器学习的软组织肉瘤等级判断方法,解决目前依靠医生能力和经验判断肉瘤病变等级,判断准确率不稳定的问题。本专利技术提供的一种基于机器学习的软组织肉瘤等级判断方法,所述方法依次包括如下步骤:S1、对软组织肉瘤影像进行典型特征提取,S2、获得采样样本中所有病人的软组织肉瘤影像的典型特征,形成样本数据集,并对该样本数据集进 ...
【技术保护点】
1.一种基于机器学习的软组织肉瘤等级判断方法,其特征在于,所述方法依次包括如下步骤:/nS1、对软组织肉瘤影像进行典型特征提取,/nS2、获得采样样本中所有病人的软组织肉瘤影像的典型特征,形成样本数据集,并对该样本数据集进行预处理,/nS3、将经过预处理的样本数据集划分为测试集和训练集,/nS4、基于步骤3中生成的训练集,分别采用不同的机器学习算法构建机器学习模型并进行训练,/nS5、将步骤3中生成的测试集分别带入步骤4构建的多个机器学习模型中进行计算,可获得每种机器学习模型计算的预测值,计算预测值与真值之间的差异性,差异性越大,代表预测值与真值之间的差距越大,即预测的错误越多,选取差异性最小的机器学习模型作为软组织肉瘤等级判断模型。/n
【技术特征摘要】
1.一种基于机器学习的软组织肉瘤等级判断方法,其特征在于,所述方法依次包括如下步骤:
S1、对软组织肉瘤影像进行典型特征提取,
S2、获得采样样本中所有病人的软组织肉瘤影像的典型特征,形成样本数据集,并对该样本数据集进行预处理,
S3、将经过预处理的样本数据集划分为测试集和训练集,
S4、基于步骤3中生成的训练集,分别采用不同的机器学习算法构建机器学习模型并进行训练,
S5、将步骤3中生成的测试集分别带入步骤4构建的多个机器学习模型中进行计算,可获得每种机器学习模型计算的预测值,计算预测值与真值之间的差异性,差异性越大,代表预测值与真值之间的差距越大,即预测的错误越多,选取差异性最小的机器学习模型作为软组织肉瘤等级判断模型。
2.根据权利要求1所述的基于机器学习的软组织肉瘤等级判断方法,其特征在于:所述软组织肉瘤影像采用核磁共振MRI输出的软组织肉瘤影像。
3.根据权利要求2所述的基于机器学习的软组织肉瘤等级判断方法,其特征在于:所述典型特征共取19个,将核磁共振MRI输出的软组织肉瘤影像,按照成像方式不同,分为T1加权成像和T2加权成像,所述19个典型特征分别为T1图像,小波-低低高频子带成像模式下,邻域灰度差矩阵的对比度特征;T1图像,5mm拉普拉斯算子三维成像模式下,灰度差异矩阵的依赖不均匀规范化特征;T1图像,原始成像模式下,灰度共生矩阵的逆方差特征;T1图像,15mm拉普拉斯算子三维成像模式下,一阶统计量的峰度特征;T1图像,小波-低高低频子带成像模式下,灰度差异矩阵的大依赖低灰度水平因子特征;T1图像,5mm拉普拉斯算子三维成像模式下,灰度共生矩阵的马修斯相关系数特征;T1图像,小波-高高低频子带成像模式下,灰度共生矩阵的马修斯相关系数特征;T1图像,小波-高低高频子带成像模式下,一阶统计量的中值特征;T2图像,15mm拉普拉斯算子三维成像模式下,一阶统计量的90分位数特征;T2图像,小波-高低高频子带成像模式下,灰度共生矩阵的聚类阴影特征;T2图像,小波-高高高频子带成像模式下,邻域灰度差矩阵的对比度特征;T2图像,原始成像模式下,形状的延长率特征;T2图像,小波-高高高频子带成像模式下,灰度区域大小矩阵的灰度级不均匀规范化特征;T2图像,小波-低低低频子带成像模式下,灰度共生矩阵的逆方差特征;...
【专利技术属性】
技术研发人员:郝大鹏,王鹤翔,杨海强,
申请(专利权)人:青岛大学附属医院,青岛大学,
类型:发明
国别省市:山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。